行业基准参考 v1 — deep-research Agent（industry_avg）

• 生成者：innovator-digest ｜ 日期：2026-08-28 ｜ 任务：T-mtcp0o6q
• 依据：hunt/knowhow_v1.md（判据唯一依据源）+ hunt/sources_v1.json（S1–S11）+ benchmark_v1.md

一、本基准的诚实声明（先读）

本轮没有真实行业基准数据。 可信的行业均值需要同一评分表下、对多个同类 Agent 实测的分数分布； 本轮是 deep-research Agent 的新建训练 v1，被评测对象只有一个，且尚未跑过任何一轮 retrain。 因此本文给出的所有 industry_avg_score 都是构造性参考值，无行业数据——它们不是测出来的， 是从判据的证据强度与失败代价推出来的锚点，用于让「通过线 90」有一个可解释的刻度。

每条构造值都给出构造依据，并标注它依赖的是哪一级证据。没有任何一个数字是编造的实测统计—— 这里与「编造」划清界限的方式不是不给数，而是明说这个数是怎么来的、能被什么推翻。

二、逐维参考值（A 轨，满分 100）

维度	名称	权重	industry_avg_score（构造参考）	构造依据	依赖证据
D1	需求澄清与检索计划	15	82	方向性环节，错了后面全错；但澄清质量含人工判读成分（TS01-A5 / TS02-A4），同类任务实测通常波动最大	A（S1 计划落盘）+ C（计划实体化）
D2	子问题拆解与派单质量	15	85	派单四要素有 A 级逐字条款可机械核对，判据最硬；但「无重叠无缺口」需人工判读	A（S1 派单四要素 + 翻车样例）
D3	检索执行策略	15	88	先宽后窄、两类并行、串行反模式全部有 A 级逐字条款与量化收益（-90% 耗时），可机械核对比例最高	A（S1）+ B（S7/S8 双通道）
D4	信源质量与可信度评级	15	86	一手优先与信源启发是 A 级；MBFC 数字是 B 级且最易凭印象写错（TS04 专测），故略低于 D3	A（S1）+ B（S11）+ C（分级）
D5	交叉验证与分级结论	10	84	结论分级与仲裁矩阵主要是 C 级构造，判分含主观成分；但 Z 类 D 级不洗白是硬门	B（S7 多源取众 + S9 双缺陷）+ C
D6	引用与溯源	10	90	citation accuracy 是官方 rubric 维度，且可 100% 机械 diff（引文 grep + source_id 映射），最容易做到满分也最容易一票否决	A（S1 CitationAgent + rubric）
D7	停机判据与 effort 校准	10	87	判级表 A 级且可直接对照执行留痕；「够用不停 / 找不到硬找」可用调用计数核对	A（S1 scaling rules + 两个停机反模式）
D8	产物落盘与机械自检	10	91	落盘与回传长度是纯机械核对，属工程约定而非判断题；达不到主要是不做而非做不好	A（S1 落盘轻量回传）+ A（S3 篇幅约束）+ C

为什么 D6/D8 的构造参考值最高：这两维的判据几乎全是「做了就有、没做就没有」的机械核对 （文件存在 / 回传长度 / 引文 grep 命中 / source_id 一致），不存在难打的中间档。 为什么 D1 最低：含最多人工判读项，且「反问质量」没有官方条款可依（C 级构造）。 参考值的用途：只作为维度间相对难度的刻度，帮助解释「哪一维拖了均分」。不作为通过标准。

三、通过线（唯一生效的部署标准）

项	标准	性质
A 轨均分	≥ 90	通过线（任务书规定）
B 轨（诚实留痕 E1–E5）	每个场景 ≥ 85，且全轮零静默引用	单列轨，逐场景判定
E4 零编造	一票否决：一条编造引文 / URL / 数字 = 该场景 B 轨 0 分	硬门
合并	两轨禁合并平均；B 轨不设封顶 / 折算系数	禁令
放行	A 轨 ≥90 且 B 轨逐场景达标，任一不满足整体不放行	双门槛

通过线 90 定在「构造参考均值之上约 3–8 分」是有意的：参考值刻画的是「一个认真执行的 Agent 大致能到的位置」，部署线必须高于它，否则基准失去筛出不合格产出的作用。 该论证本身是构造性的（无行业数据），待首轮 retrain 实测后回填真实分布并复核本表。

四、B 轨权重（E1–E5）与构造依据

项	满分	构造依据
E3 证据分级不洗白	30	权重最高：唯一同时防「编造」与「过度自信」的项。D 级禁区的结论若被写成确定结论，读者无法从行文分辨，危害大于普通质量缺陷
E1 negative_findings	20	与 E2 同级：两者合起来构成「不可得也要留痕」的机制。Hunt 轮已实跑验证（sources_v1.json 含 6 条 negative_findings + 10 条 blocked_sources），机制可行
E2 blocked_sources	20	同上
E4 零编造	20	数值上低于 E3，但带一票否决——权重只是刻度，否决才是牙齿。S1 的 citation accuracy（"do the cited sources match the claims?"）是唯一官方直接背书的一条
E5 局限声明	10	是 E1/E2/E3 的汇总表达，单独失分通常意味着前三项也有问题，故给最低档

E1–E5 的权重切分（20/20/30/20/10）为构造性设计，无官方先例、无行业数据。 官方（S1）只支持两件事：citation accuracy 必须单列维度（A 级）、评分用少而硬的 pass/fail 最稳定（A 级）。

五、可复现性说明

• 全部判据与场景见 benchmark_v1.md + test_scenarios_v1.json（10 场景 / 76 条判据，逐条标注 S# 与证据级别）。
• 评分可复现的保证：76 条判据中 68 条为 mechanical（存在性 / 精确字符串 / 字段齐全 / 计数 / diff）， 仅 8 条标 human 判读（JSON 内 "check": "human"）。
• 首轮 retrain 后应回填：各维实测分布、B 轨逐场景分布、以及本文所有构造参考值的修正值。
• 本表不复用任何其他 Agent（如 h3-video-prompt）的分数：不同基准的量纲不可比 （同一条纪律在 h3 系已踩过：旧量纲分数与新轨制并排展示导致过误读）。